PyTorchKR Papers

최신 논문

총 8편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.35883v2cs.CR

CipherGenome: 유전체 전문가 혼합 모델을 위한 동형 추론

CipherGenome: Homomorphic Inference for Genomic Mixture-of-Experts

유전체 파운데이션 모델은 서열을 보유한 기기에 전문가 가중치가 더 이상 들어가지 않을 정도로 희소 전문가 혼합(MoE) 네트워크로 성장하고 있으나, 대여한 가속기에 비공개 유전체를 전송하는 것은 이를 노출시킵니다. 본 논문에서는 하나의 전문가를 호스팅하는 단일 서버만으로도 입력 뉴클레오타이드를 99.8%의 top-1 정확도로 복원할 수 있음을 보여줍니다. 저자들은 신뢰할 수 있는 씬 클라이언트에 15.1B 매개변수 MoE 유전체 모델의 임베딩, 어텐션, 라우터를 유지하고, 매개변수의 95.8%에 달하는 모든 전문가 프로젝션을 Module-LWE 암호화 하에서 신뢰할 수 없고 공모 가능성이 있는 GPU 서버로 외주화하는 프로토콜인 CipherGenome을 제안합니다. 이 설계는 세 가지 구조적 사실을 활용합니다. 즉, 전문가 층은 두 개의 SwiGLU 게이트 사이에서 선형적이고, 전문가 가중치는 공개되어 있으며, GPU 정수 텐서 코어는 단일 GEMM에서 모듈로 $2^{48}$에 대해 암호문-가중치 곱을 정확하게 평가할 수 있다는 점입니다. 클라이언트가 비선형성을 정확하게 평가하고 새로운 비밀값으로 재암호화하므로, 다항식 근사나 부트스트래핑이 전혀 필요하지 않습니다. 12개 박테리아 유전체의 72개 윈도우에서 암호화는 토큰당 $2.54 \times 10^{-4}$ nats의 KL 발산(95% CI 상한 $3.95 \times 10^{-4}$)만을 추가하여 사전 등록된 비열등성 마진 미만이자 bf16 추론과 구별할 수 없는 수준을 보였으며, 동일한 역전 공격은 무작위 추측 수준으로 떨어집니다. 재사용 가능한 공개 힌트는 종단 간 지연 시간을 3.54배 단축하고, 유선 압축은 트래픽을 6.8배 줄이며, 층별 패딩은 라우팅 유출 정확도를 54.9%에서 8.9%로 낮추고, HE 호환 int4 전문가는 평문 전문가와 동등한 비열등성을 유지합니다. 전문가 및 토큰당 서버 측 비용은 CKKS 기준선보다 6 자릿수 이상 낮습니다.

arXiv:2607.04819v1cs.LG

층 병렬 추론으로 트랜스포머의 암호화된 비선형 깊이 감소

Layer-Parallel Inference Reduces Encrypted Nonlinear Depth in Transformers

완전 동형 암호화(FHE) 기반 Transformer 추론에서 비선형 블록의 순차적 합성으로 인한 병목을 해결하기 위해, Structured Newton Layer Parallelism(SNLP)이 층 간 연산 그래프를 병렬화하여 FHE 부트스트랩 횟수를 최대 2.65배 줄일 수 있음을 보인다. 8개 모델 실험에서 SNLP는 순차 추론 대비 오류 증폭을 일관되게 낮추며, softmax 근사가 오류 예산을 지배하는 반면 CKKS 산술 잡음은 무시 가능한 수준으로 블록 수준 FHE 친화적 설계와 상호 보완적임을 확인했다.

arXiv:2606.27558v1cs.LG

프라이버시 제약 하에서 프로덕션화된 공정성 측정

Productionized Fairness Measurement Under Privacy Constraints

세분화 평가(disaggregated evaluation) 형태의 공정성 측정은 종종 법적으로 제약되거나 문화적으로 민감한 인구통계학적 신호(demographic signal)에 의존한다. 인종 및 민족 신호는 이 작업을 위해 큐레이션하고 사용하기 어려운 신호 중 하나이다. 본 논문은 미국 LinkedIn 회원을 대상으로 인종/민족에 대한 공정성 측정을 프라이버시를 보존하는 방식으로 가능하게 하는 방법으로 Privacy-Preserving Probabilistic Race/Ethnicity Estimation(PPRE)을 제시한다. PPRE는 두 가지 인종/민족 인구통계학적 신호 소스(Bayesian Improved Surname Geocoding 추정기와 희소한 자기보고 인구통계 golden survey set) 위에 프라이버시 기술(구체적으로 secure two-party computation, differential privacy, additive homomorphic encryption)을 적용하여 미국 기반 인종/민족 인구통계에 대한 공정성 측정 솔루션을 구동한다. 우리는 그 프라이버시 보장을 상세히 설명하고 후보자 측 및 열람자 측 공정성 측정에 대한 적용을 시연한다. 마지막으로 유사한 프라이버시 보존 측정 인프라를 구현하려는 기관을 위한 이전 가능한(transferable) 프레임워크를 제시한다.

arXiv:2606.26664v1cs.CR

TGHE: 엣지-클라우드 시스템에서 프라이버시 보존 GNN 추론을 위한 템플릿 기반 그래프 동형 암호

TGHE: Template-based Graph Homomorphic Encryption for Privacy-Preserving GNN Inference in Edge-Cloud Systems

기존 동형 암호(HE) 기반 GNN 추론은 전역 그래프 크기에 쿼리 비용이 연동되어 대규모·동적 금융 그래프에 한계가 있지만, TGHE는 거래 그래프의 지역 계산 트리가 소수 템플릿 형태로 수렴한다는 현상을 활용해 엣지에서 ego-graph를 정규형으로 묶고 구조가 같은 트리를 공유 CKKS 암호문에 패킹해 SIMD 병렬 암호화 추론을 수행한다. DGraphFin(370만 노드, 430만 엣지)에서 TGHE-Collapse는 순차 암호화 기준선 대비 66.9배 속도 향상을 달성하며 AUC 손실은 0.002 미만이다.

arXiv:2606.26373v1cs.CR

하이브리드 프라이버시 인식 의미 검색: 제한된 위협 모델 하에서 SVD 절단 문서 기하학과 CKKS 암호화 쿼리 재순위화

Hybrid privacy-aware semantic search: SVD-truncated document geometry and CKKS-encrypted query reranking under a restricted threat model

임베딩 역산으로 벡터 DB 유출 시 원문이 노출되는 문제에 대해, 정적 컬렉션은 저차원 SVD 부분공간 절단과 비밀 직교 회전으로, 쿼리는 CKKS 동형 암호화 하 재순위화로 각각 보호하는 비대칭 하이브리드 의미 검색을 제안한다. 백만 문서와 다섯 개 인코더 실험에서 순위화 품질을 유지하며 1초 미만 지연을 달성하고 기성 inversion 공격은 노이즈 바닥으로 붕괴하나, 쿼리 기밀성은 암호학적이고 문서 보호는 제한된 위협 모델 하의 경험적 난독화임을 한계로 명시한다.

arXiv:2606.25216v1cs.CR

프라이버시 보존 비전을 위한 동형 암호화

Homomorphic Encryptions for Privacy Preserving Vision

완전 동형 암호화(FHE)와 Microsoft SEAL·TenSEAL을 활용해 CNN 레이어를 암호화 연산에 맞게 수정하고, 암호화된 이미지를 직접 분류하는 프라이버시 보존 컴퓨터 비전(CV) 추론(inference)을 구현했다. MNIST를 기준으로 Kuzushiji MNIST, Fashion-MNIST, CIFAR-10까지 확장해 비암호화 baseline 대비 분류 정확도 저하를 최소화했으며, 컬러 다채널 입력·다중 합성곱 레이어·평균 풀링(pooling) 등 TenSEAL 기반 복잡 연산 지원도 추가했다.

arXiv:2606.24379v1cs.CR

ComputeFHE: A Privacy-Preserving General-Purpose Computation Library

TFHE 암호체계 기반의 오픈소스 C++ 라이브러리 ComputeFHE를 제안하여, 암호화된 정수·고정소수점 타입과 산술·논리·비교·조건·비밀 배열 접근 연산을 익숙한 명령형 프로그래밍으로 구현할 수 있게 한다. 최적화 ALU와 시뮬레이션 모드를 제공하고, 실험에서 부트스트래핑 횟수를 줄여 선택 연산에서 최대 3.9배 성능을 개선한다.

arXiv:2507.15104v2cs.LG

AnalogFed: 연합 생성 AI를 활용한 대규모 프라이버시 보존 아날로그 회로 탐색

AnalogFed: Privacy-Preserving Discovery of Analog Circuits at Scale with Federated Generative AI

최근 생성 AI(GenAI)의 발전은 현대 하드웨어 설계에 혁신적인 잠재력을 보여주었다. 그러나 기존 GenAI 기반 접근법은 하드웨어 데이터셋의 독점적이고 분절된 특성으로 인해 모델 학습을 위해 중앙 집중화할 수 없어, 대규모 전자 설계 자동화(EDA)를 가능하게 하지 못한다. 따라서 대규모 GenAI 기반 EDA를 달성하려면 기밀성을 훼손하지 않으면서 분산 데이터를 활용할 수 있는 새로운 프라이버시 보존 프레임워크가 필요하다. 본 연구는 연합 학습(FedL)과 GenAI를 사용한 대규모 아날로그 회로 토폴로지 탐색을 위한 최초의 프라이버시 보존 프레임워크인 AnalogFed를 제안한다. AnalogFed는 협력적 아날로그 토폴로지 설계의 실현 가능성을 확립하면서 주요 보안 과제를 해결한다: 더미 토큰 주입에 기반한 새로운 입력 교란 전략을 통해 멤버십 추론 공격(MIA)을 완화하고, 맞춤형 고효율 동형 암호(homomorphic encryption)로 모델 역전공격을 방어한다. 광범위한 실험은 AnalogFed의 효과성과 효율성을 입증하며, 모델 유틸리티를 저하시키지 않으면서 강력한 프라이버시 보호를 달성한다. 이 프레임워크는 GenAI를 활용한 차세대 하드웨어 설계 자동화에서 확장 가능한 다자간 협력의 기반을 마련한다.